Dictionnaire de l'IA

Système d'IA autonome capable d'exécuter des tâches complexes en décomposant un objectif en étapes et en utilisant des outils externes.

Systèmes IA capables d'agir de manière autonome, planifiant et exécutant des séquences d'actions pour atteindre des objectifs complexes.

Processus visant à s'assurer qu'un modèle IA agit conformément aux valeurs et intentions humaines, crucial pour la sécurité des systèmes IA.

Programme d'intelligence artificielle développé par DeepMind (Google) qui a battu le champion du monde de Go Lee Sedol en 2016. AlphaGo combine des réseaux de neurones profonds et l'apprentissage par renforcement. Sa victoire a marqué un tournant majeur en démontrant la capacité de l'IA à maîtriser des jeux d'une complexité extrême.

Processus d'étiquetage manuel des données pour créer des datasets d'entraînement supervisé, essentiel pour la qualité des modèles.

Automatic Prompt Engineering. Technique où l'IA génère elle-même plusieurs variantes de prompts, les teste et sélectionne automatiquement le plus performant pour un objectif donné.

Application Programming Interface. Interface permettant à des applications de communiquer entre elles. Les modèles d'IA sont souvent accessibles via API.

Méthode d'apprentissage où le modèle découvre des patterns dans les données sans étiquettes préalables, comme le clustering ou la réduction de dimension.

Paradigme où un agent apprend à prendre des décisions en interagissant avec un environnement et en recevant des récompenses ou pénalités.

Méthode d'apprentissage où le modèle est entraîné sur des données étiquetées, avec des entrées associées aux sorties attendues.

Mécanisme permettant à un modèle de pondérer différemment les parties d'une entrée selon leur pertinence pour la tâche en cours. Fondamental dans les architectures Transformer.

Utilisation de l'IA pour exécuter des tâches répétitives sans intervention humaine, améliorant productivité et fiabilité.

Rétropropagation. Algorithme calculant comment ajuster chaque poids du réseau pour réduire l'erreur, essentiel à l'entraînement des réseaux de neurones.

Base de données optimisée pour stocker et rechercher des embeddings, permettant de trouver rapidement des contenus similaires.

Sous-ensemble de données traitées simultanément pendant l'entraînement d'un modèle, permettant d'optimiser l'utilisation de la mémoire GPU.

Tendance cognitive humaine à privilégier les informations qui confirment nos croyances préexistantes et à ignorer celles qui les contredisent. Ce biais est exploité par la désinformation et peut être amplifié par les algorithmes de recommandation et les IA qui adaptent leurs réponses à nos attentes (Sycophancy).

Ensemble de données massives caractérisées par les "3V" : Volume (quantité énorme), Vélocité (vitesse de génération et traitement) et Variété (formats structurés et non structurés). Le Big Data a permis l'essor du Machine Learning moderne en fournissant les données nécessaires à l'entraînement des modèles.

Byte Pair Encoding. Algorithme de tokenisation qui fusionne itérativement les paires de caractères les plus fréquentes pour créer un vocabulaire optimal.

Ensemble des processus, outils et technologies qui permettent de transformer des données brutes en informations exploitables pour la prise de décision. La BI répond à la question "Qu'est-ce qui s'est passé ?" en analysant l'historique, visualisant les tendances et suivant les indicateurs clés de performance (KPI). Elle ne prédit pas l'avenir, mais éclaire le passé et le présent.

Technique de prompting encourageant le modèle à décomposer son raisonnement en étapes explicites pour améliorer la qualité des réponses complexes.

Technique demandant à l'IA de détailler explicitement ses étapes de raisonnement avant de donner sa réponse finale. Améliore significativement la qualité des réponses sur les tâches de raisonnement complexes.

Agent conversationnel automatisé capable de dialoguer avec des utilisateurs en langage naturel.

Interface conversationnelle d'OpenAI basée sur les modèles GPT, ayant démocratisé l'accès aux grands modèles de langage auprès du grand public.

Découpage de documents longs en morceaux plus petits pour le traitement par des modèles IA, notamment dans les systèmes RAG.

Taux d'attrition ou risque de départ des clients. Indicateur mesurant le pourcentage de clients qui cessent d'utiliser un service sur une période donnée. Prédire le churn est un cas d'usage classique de l'IA supervisée, permettant d'identifier les clients à risque et de mettre en place des actions de rétention proactives.

Famille de modèles de langage développée par Anthropic, conçue avec un focus sur la sécurité et l'alignement avec les valeurs humaines.

Technique d'apprentissage non supervisé regroupant automatiquement les données similaires en clusters sans étiquettes préalables.

Convolutional Neural Network (Réseau de neurones convolutif). Type de réseau spécialisé dans l'analyse d'images et la vision par ordinateur.

Interface graphique modulaire et open-source pour la génération d'images avec Stable Diffusion. ComfyUI utilise un système de nœuds (nodes) permettant de créer des workflows visuels complexes pour la génération, l'édition et le traitement d'images par IA. Très apprécié pour sa flexibilité et ses possibilités avancées.

Fenêtre de contexte. Nombre maximum de tokens qu'un modèle peut traiter en une seule fois, limitant la longueur du texte analysable.

Information fournie au modèle pour lui permettre de comprendre et répondre de manière pertinente. Inclut le prompt et l'historique de conversation.

Technique de prompting fournissant des éléments concrets de la situation pour améliorer la pertinence des réponses. Inclut le public cible, le contexte métier, les contraintes spécifiques.

Assistant IA de Microsoft intégré dans ses produits (Office, Windows), combinant les capacités de GPT avec les données utilisateur.

Modèle de génération d'images développé par OpenAI, capable de créer des images à partir de descriptions textuelles.

Professionnel qui transforme les données en réponses claires et actionnables. Il est le traducteur entre les données techniques et les décisions business. Ses missions : nettoyer les données, construire des indicateurs (KPI), créer des tableaux de bord et expliquer les chiffres. Le Data Analyst ne prédit pas le futur, il éclaire le passé et le présent avec clarté.

Architecte des systèmes de données qui construit les fondations techniques permettant aux autres métiers data de travailler efficacement. Responsabilités : concevoir et maintenir les bases de données, créer des pipelines d'intégration, assurer la qualité des données, optimiser les performances de stockage et mettre en place les Data Lakes et Data Warehouses.

Lac de données brutes conservées dans leur format d'origine, mélangeant données structurées et non structurées. Flexible et évolutif, il est idéal pour l'exploration et l'IA. Analogie : un lac où convergent toutes les rivières avec toutes les données en vrac accessibles. Utilisé pour le Machine Learning et les analyses exploratoires Big Data.

Expert qui utilise des techniques avancées de Machine Learning et statistiques pour créer des modèles prédictifs. Il explore les données pour trouver des patterns, construit des modèles d'apprentissage automatique, optimise leurs performances et les déploie en production. Le Data Scientist est le "météorologue" qui prédit l'avenir en analysant les conditions passées et présentes.

Entrepôt de données structurées et nettoyées, organisées selon un schéma précis. Les données y sont prêtes pour l'analyse Business Intelligence avec des requêtes SQL performantes. Analogie : une bibliothèque bien rangée où chaque livre a sa place avec un catalogue précis. Utilisé pour le reporting, monitoring et analyses structurées.

Ensemble structuré de données utilisé pour entraîner, valider ou tester un modèle d'intelligence artificielle.

Technique de Machine Learning utilisant des réseaux de neurones à plusieurs couches pour analyser des données complexes (images, sons, textes).

Contenu média (vidéo, audio, image) généré ou altéré par intelligence artificielle pour faire apparaître une personne disant ou faisant quelque chose qu'elle n'a jamais dit ou fait. Les deepfakes utilisent le Deep Learning pour remplacer un visage ou synchroniser les lèvres de manière réaliste. Représentent un risque majeur de désinformation.

Information fausse créée et diffusée volontairement pour nuire, manipuler ou influencer. L'intention malveillante est le critère distinctif. Exemples : campagnes orchestrées, fake news politiques, attaques concurrentielles. L'IA générative permet de produire ce type de contenu massivement et avec un niveau de qualité très convaincant.

Technique de génération d'images où le modèle apprend à inverser un processus de bruitage pour créer des images à partir de bruit aléatoire.

Données sans organisation prédéfinie, en format libre et varié. Exemples : messages, emails, photos, vidéos, documents PDF, posts sur réseaux sociaux. Elles nécessitent des outils spécialisés pour l'analyse et représentent environ 80% des données en entreprise. C'est là que réside souvent le plus grand potentiel inexploité.

Données organisées en tableaux avec lignes et colonnes bien définies, facilement analysables avec Excel ou SQL. Exemples : adresses email, noms, dates de naissance, chiffres de ventes, listes de clients, inventaires produits, transactions bancaires. Elles représentent environ 20% des données en entreprise.

Premier chatbot créé en 1966 par Joseph Weizenbaum au MIT. ELIZA simulait un psychothérapeute rogérien en reformulant les phrases de l'utilisateur sous forme de questions. Ce programme pionnier a démontré comment des règles simples de correspondance de motifs pouvaient créer l'illusion d'une conversation intelligente.

Représentation numérique (vecteur) d'un texte, image ou autre donnée, permettant de capturer son sens sémantique pour la recherche et la comparaison.

Processus d'ajustement des paramètres d'un modèle à partir de données pour qu'il apprenne à effectuer une tâche spécifique.

Passage complet à travers l'ensemble des données d'entraînement. Un modèle est généralement entraîné sur plusieurs epochs.

Vérification factuelle de l'information par un processus rigoureux de recherche et de croisement des sources. Pratique journalistique devenue essentielle à l'ère de la désinformation de masse. Utilise des méthodes comme SIFT et des outils comme la recherche inversée d'images, le grounding IA et l'analyse de sources multiples.

Capacité d'un modèle à apprendre une nouvelle tâche avec seulement quelques exemples (généralement 2 à 10), sans nécessiter de ré-entraînement.

Technique de prompting incluant plusieurs exemples (généralement 2 à 5) pour guider l'IA vers le format, le style ou le type de réponse souhaité. Plus fiable que le zero-shot pour les tâches complexes.

Processus d'adaptation d'un modèle pré-entraîné à une tâche ou un domaine spécifique en le réentraînant sur des données ciblées.

Capacité d'un modèle à appeler des fonctions externes (APIs, bases de données) pour étendre ses capacités au-delà de la génération de texte.

Spécification du format attendu dans un prompt (JSON, liste, tableau, plan structuré, markdown...). Permet d'obtenir des réponses directement exploitables sans reformatage.

Famille de modèles multimodaux développée par Google DeepMind, conçue pour exceller dans le raisonnement et le traitement multi-formats.

Assistant de programmation IA intégré aux éditeurs de code, suggérant du code en temps réel basé sur le contexte et les commentaires.

Generative Pre-trained Transformer. Architecture de modèle de langage développée par OpenAI, à la base de ChatGPT.

Graphics Processing Unit. Processeur spécialisé essentiel pour l'entraînement et l'inférence des modèles de deep learning grâce à sa capacité de calcul parallèle.

Descente de gradient. Algorithme d'optimisation ajustant itérativement les poids d'un modèle pour minimiser la fonction de perte.

Technique ancrant les réponses d'un modèle dans des sources vérifiables pour réduire les hallucinations et améliorer la fiabilité.

Phénomène où un modèle d'IA génère des informations fausses ou inventées présentées comme factuelles avec assurance.

Plateforme collaborative hébergeant des modèles, datasets et outils pour le machine learning, devenue la référence de l'écosystème open source IA.

Paramètre défini avant l'entraînement d'un modèle (comme le learning rate ou le nombre de couches) et qui influence le processus d'apprentissage.

Intelligence artificielle conçue pour aider ou automatiser la prise de décisions. Elle analyse des données, évalue des scénarios et recommande ou exécute des actions optimales. Utilisée dans la gestion des stocks, l'optimisation des prix, les systèmes de recommandation et la planification stratégique.

Déploiement de modèles d'intelligence artificielle directement sur des appareils périphériques (smartphones, IoT, caméras) plutôt que dans le cloud. Permet un traitement en temps réel, réduit la latence, préserve la confidentialité et fonctionne sans connexion internet. Utilisée pour la reconnaissance faciale, les assistants vocaux embarqués.

Architecture combinant plusieurs types d'intelligence artificielle ou méthodes (symbolique et connexionniste, locale et cloud, différents modèles spécialisés) pour tirer parti des forces de chacune. Cette approche permet d'obtenir des systèmes plus robustes, précis et adaptables que les approches mono-modèle.

Intelligence artificielle qui s'exécute entièrement sur l'appareil de l'utilisateur (ordinateur, smartphone) sans envoyer de données vers le cloud. Avantages : confidentialité des données, fonctionnement hors ligne, latence réduite. Exemples : Ollama, LM Studio, certaines fonctions de Siri ou Google Assistant.

Branche de l'intelligence artificielle spécialisée dans l'analyse de données historiques pour anticiper des événements futurs. Elle utilise des algorithmes de Machine Learning pour identifier des patterns et faire des prédictions. Applications : prévision de ventes, maintenance prédictive, détection de fraudes, prévisions météorologiques.

Base de données massive contenant plus de 14 millions d'images annotées dans plus de 20 000 catégories. Le concours ImageNet Large Scale Visual Recognition Challenge (ILSVRC) a été le catalyseur de la révolution du Deep Learning, notamment avec la victoire d'AlexNet en 2012 qui a démontré la puissance des réseaux de neurones profonds.

Capacité des grands modèles de langage à apprendre une tâche à partir d'exemples fournis directement dans le prompt, sans modification des poids du modèle.

Phase d'utilisation d'un modèle entraîné pour faire des prédictions sur de nouvelles données, par opposition à la phase d'entraînement.

Domaine de l'informatique visant à créer des systèmes capables de réaliser des tâches qui requièrent normalement l'intelligence humaine : reconnaissance vocale, prise de décision, traduction, etc.

Key Performance Indicator (Indicateur Clé de Performance). Métrique essentielle permettant de mesurer objectivement l'atteinte des objectifs et d'identifier les écarts. Les KPI sont au cœur de la Business Intelligence et permettent de monitorer les performances d'une entreprise, d'un projet ou d'une activité. Exemples : taux de conversion, chiffre d'affaires, satisfaction client.

Temps de réponse entre l'envoi d'une requête à un modèle IA et la réception du résultat. Critique pour les applications temps réel.

Famille de modèles de langage open source développée par Meta, offrant des performances compétitives avec les modèles propriétaires.

Large Language Model (Grand Modèle de Langage). Modèle d'IA entraîné sur d'immenses quantités de texte, capable de comprendre et générer du langage naturel. Exemples : GPT, Claude, Gemini.

Application desktop permettant de découvrir, télécharger et exécuter des LLM localement avec une interface graphique intuitive. LM Studio offre un chat intégré, la compatibilité avec de nombreux modèles, et un serveur API local. Alternative conviviale à Ollama pour les utilisateurs moins techniques.

Fonction de perte. Mesure l'écart entre les prédictions du modèle et les valeurs attendues, guidant l'optimisation pendant l'entraînement.

Sous-domaine de l'IA permettant aux machines d'apprendre à partir de données sans être explicitement programmées. Le système s'améliore avec l'expérience.

Information vraie, mais diffusée dans l'intention de nuire à une personne ou une organisation. La véracité de l'information ne garantit pas l'éthique de sa diffusion. Exemples : doxing (révélation de données personnelles), documents volés publiés hors contexte, révélations de vie privée malveillantes.

Paramètre définissant la longueur maximale de la réponse générée par l'IA, exprimée en nombre de tokens. Permet de contrôler la concision ou le détail des réponses.

Information fausse partagée par erreur, sans intention malveillante. La personne qui diffuse cette information croit sincèrement qu'elle est vraie. Exemple : partager un article non vérifié par naïveté ou manque de vigilance. Se distingue de la désinformation par l'absence d'intention de nuire.

Service de génération d'images par IA connu pour son style artistique distinctif et sa qualité esthétique, accessible via Discord.

Modèles de langage français développés par Mistral AI, reconnus pour leur efficacité et disponibles en open source et via API.

Extension du mécanisme d'attention utilisant plusieurs "têtes" en parallèle pour capturer différents types de relations dans les données.

Capacité d'un modèle à traiter et générer plusieurs types de données (texte, image, audio, vidéo) de manière intégrée.

Plateforme open-source d'automatisation de workflows permettant de connecter différentes applications et services sans coder. N8N permet de créer des agents IA en orchestrant des appels à différents LLM, API et services. Alternative auto-hébergeable à Zapier ou Make, très utilisée pour l'automatisation avec l'IA.

Natural Language Processing (Traitement du Langage Naturel). Domaine de l'IA permettant aux machines de comprendre et traiter le langage humain.

Outil de Google basé sur l'IA permettant d'analyser, synthétiser et interroger ses propres documents. NotebookLM crée un assistant personnalisé qui répond aux questions en se basant uniquement sur les sources fournies, avec citations. Particulièrement utile pour la recherche, l'étude et l'analyse documentaire.

Optical Character Recognition (Reconnaissance Optique de Caractères). Technologie permettant d'extraire du texte à partir d'images ou de documents scannés.

Outil open-source permettant d'exécuter des grands modèles de langage (LLM) localement sur son ordinateur. Ollama simplifie le téléchargement, l'installation et l'exécution de modèles comme Llama, Mistral ou Phi. Idéal pour la confidentialité des données et l'expérimentation sans dépendre des API cloud.

Capacité d'un modèle à apprendre à partir d'un seul exemple, particulièrement utile pour la reconnaissance faciale ou la classification d'images rares.

Technique de prompting où l'on fournit un seul exemple pour illustrer la consigne avant de demander le résultat souhaité. Permet à l'IA de mieux comprendre le format ou le ton attendu.

Approche de développement où le code source des modèles est librement accessible, permettant modification, étude et redistribution.

Surapprentissage. Situation où un modèle mémorise les données d'entraînement au lieu d'apprendre des patterns généralisables, réduisant sa performance sur de nouvelles données.

Flux automatisé de collecte, transformation et acheminement des données depuis leurs sources jusqu'à leur destination finale (Data Lake, Data Warehouse, application). Le pipeline assure la qualité, la cohérence et la disponibilité des données. C'est l'infrastructure "plomberie" construite par les Data Engineers.

Phase initiale d'entraînement d'un modèle sur de vastes quantités de données générales avant son adaptation à des tâches spécifiques.

Instruction ou requête donnée à un modèle d'IA pour obtenir une réponse. La qualité du prompt influence directement la qualité du résultat.

Art de formuler des instructions efficaces pour obtenir les meilleurs résultats d'un modèle d'IA générative.

Approche de prompting où l'on améliore progressivement son prompt à travers plusieurs essais, en analysant les résultats et en ajustant la formulation jusqu'à obtenir le résultat souhaité.

Retrieval-Augmented Generation. Technique combinant la recherche d'informations dans une base de connaissances avec la génération de texte par un LLM pour des réponses plus précises et actualisées.

Technique combinant raisonnement (Reasoning) et action (Acting). L'IA réfléchit d'abord, puis utilise des outils externes (recherche, API, calculs) pour enrichir sa réponse avec des données actuelles.

Plateforme cloud permettant d'exécuter des modèles d'IA open-source via une API simple. Replicate héberge des milliers de modèles (génération d'images, vidéo, audio, LLM) et permet de les utiliser sans gérer l'infrastructure. Modèle de paiement à l'usage, idéal pour prototyper et intégrer l'IA dans des applications.

Modèle informatique inspiré du fonctionnement du cerveau humain, composé de neurones artificiels interconnectés en couches.

Reinforcement Learning from Human Feedback. Technique d'entraînement où un modèle est affiné grâce aux retours humains pour mieux aligner ses réponses avec les préférences utilisateurs.

Technique consistant à attribuer un rôle spécifique à l'IA pour orienter ses réponses (ton, expertise, style). Exemple : "Tu es un directeur artistique spécialisé dans le hip-hop."

Robotic Process Automation. Automatisation de tâches répétitives via des robots logiciels, souvent enrichie par l'IA.

Forme d'attention où chaque élément d'une séquence calcule son importance par rapport à tous les autres éléments de la même séquence.

Technique de prompting où l'on pose la même question plusieurs fois, puis on compare et sélectionne la réponse la plus stable ou la plus fréquente pour réduire les erreurs.

Recherche sémantique. Technique utilisant les embeddings pour trouver du contenu par similarité de sens plutôt que par correspondance exacte de mots-clés.

Méthode de fact-checking devenue référence internationale pour vérifier rapidement une information douteuse. Acronyme de : Stop (ne pas partager immédiatement), Investigate (identifier et vérifier la source), Find (croiser avec d'autres sources fiables), Trace (remonter à la source originale). Essentielle face à la prolifération de la désinformation.

Modèle open source de génération d'images par diffusion, très populaire pour sa qualité et sa flexibilité de personnalisation.

Technique avancée consistant à poser d'abord une question large pour obtenir une vue d'ensemble, puis à affiner progressivement la demande pour obtenir un résultat spécifique.

Tendance des modèles d'IA à chercher à satisfaire l'utilisateur en validant ses opinions plutôt que de le contredire avec des faits vérifiables. L'IA privilégie une réponse agréable au détriment de la vérité ou de la nuance. Ce biais de confirmation algorithmique peut renforcer les croyances erronées de l'utilisateur.

Instructions initiales définissant le comportement, le ton et les contraintes d'un modèle de langage pour une session de conversation.

Instructions initiales définissant le cadre global, le comportement et les contraintes d'un modèle de langage. Exemple : "Tu es un expert en marketing digital spécialisé dans le secteur B2B."

Programmes informatiques qui tentent de reproduire le raisonnement d'un expert humain dans un domaine spécifique. Populaires dans les années 1980, ils utilisent une base de connaissances et un moteur d'inférence pour prendre des décisions. Exemples : MYCIN pour le diagnostic médical, DENDRAL pour l'analyse chimique.

Paramètre contrôlant le degré d'aléatoire dans les réponses d'un modèle. Une température basse donne des réponses prévisibles, une haute plus créatives.

Test proposé par Alan Turing en 1950 pour évaluer la capacité d'une machine à exhiber un comportement intelligent indiscernable de celui d'un humain. Un évaluateur humain dialogue avec une machine et un humain sans les voir ; si l'évaluateur ne peut pas distinguer la machine de l'humain, la machine est considérée comme ayant passé le test.

Unité de base utilisée par les LLM pour traiter le texte. Un token peut être un mot, une partie de mot ou un caractère de ponctuation.

Processus de découpage du texte en unités plus petites (tokens) que le modèle peut traiter. Un token peut être un mot, une partie de mot ou un caractère.

Paramètre limitant la génération aux k tokens les plus probables à chaque étape, réduisant les réponses incohérentes.

Aussi appelé nucleus sampling. Paramètre limitant la génération aux tokens dont la probabilité cumulée atteint un seuil p, équilibrant diversité et cohérence.

Données d'entraînement utilisées pour former un modèle d'intelligence artificielle. Le modèle apprend à partir de ces exemples pour généraliser et s'appliquer à de nouvelles situations. La qualité, la diversité et la représentativité des training data déterminent directement les capacités et les biais du modèle final. "Garbage in, garbage out".

Technique consistant à réutiliser un modèle pré-entraîné sur une tâche pour l'adapter à une nouvelle tâche, réduisant ainsi le temps et les données nécessaires.

Architecture de réseau de neurones révolutionnaire (2017) permettant de traiter efficacement les séquences de données. Base des modèles LLM actuels.

Technique avancée où l'IA explore plusieurs pistes de réflexion en parallèle avant de trancher ou de combiner les meilleures idées. Utile pour la créativité et la résolution de problèmes complexes.

Sous-apprentissage. Situation où un modèle est trop simple pour capturer les patterns des données, résultant en de mauvaises performances.

Le plus important des 5V du Big Data : l'objectif final d'extraction de valeur business de toute cette complexité. Applications : améliorer l'expérience client, optimiser les processus, réduire les coûts, identifier de nouvelles opportunités, prendre des décisions plus rapides et pertinentes. Sans valeur, le Big Data n'est qu'un coût.

Éléments dynamiques dans un prompt (ex: {style}, {public}, {contexte}) permettant de réutiliser facilement une structure de prompt en changeant uniquement les valeurs spécifiques.

L'un des 5V du Big Data désignant la vitesse à laquelle les données sont générées, collectées et doivent être analysées. Dans certains contextes, l'analyse en temps réel est critique : détection de fraude bancaire, surveillance médicale, trading haute fréquence, gestion du trafic urbain, recommandations e-commerce personnalisées.

L'un des 5V du Big Data concernant la qualité et la fiabilité des données. Elle englobe : l'exactitude des informations, la cohérence entre sources, la présence d'erreurs ou de biais, et la complétude des jeux de données. Un capteur défectueux ou une adresse mal saisie peuvent fausser toutes les analyses.

Domaine de l'IA permettant aux machines d'interpréter et d'analyser des images et vidéos.

Technologie de clonage vocal par IA permettant de reproduire une voix à partir de quelques secondes d'échantillon audio seulement. Utilisée légitimement pour la synthèse vocale personnalisée, mais aussi détournée pour des arnaques (fraude au président) où la fausse voix d'un dirigeant demande un virement urgent.

Capacité d'un modèle à effectuer une tâche sans avoir vu d'exemple spécifique de cette tâche, en s'appuyant sur ses connaissances générales.

Technique de prompting consistant à donner une consigne directe à l'IA sans fournir d'exemple préalable. Rapide mais moins fiable pour des tâches complexes. Exemple : "Traduis ce texte en anglais."